87
Tabla 48. Datos de regresión para las zonas urbanizadas.
Regresión Lineal -> Y = A + BX
Datos Regresión Con Atípicos Sin Atípicos
A -982418,4499 -1297312,465
B 494,0995965 650,6853823
Coef. Determin. 0,165928529 0,257687856
R^2 Ajustado 0,026916617 0,109225427
Ecuación Y=-982418,4499+494,0995X Y=-1297312,465+650,6853X
Fuente: Elaboración propia
Para el caso de las regresiones realizadas en la clase de Zonas Industriales o Comerciales, se evidenció un comportamiento de regular a malo para el caso de la regresión original, ya que solo sería capaz de explicar el 39% de los datos, el cual es un valor bastante bajo. Y aceptable para el caso de la regresión Sin Atípicos, en donde esta se realizó eliminando el dato del año 2014, el cual presentaba un valor demasiado grande comparado con sus años colindantes, en donde esta regresión sería capaz de explicar el 67% de los datos el cual es un valor aceptable teniendo en cuenta la cantidad de datos. En el caso de la case de Zonas Urbanizadas se evidencio un pésimo comportamiento en ambas regresiones, ya que en ninguno de los casos se logró obtener un R-Cuadrado superior al 10% lo cual es un valor demasiado bajo y de muy poca confiabilidad. En esta clase para la regresión sin atípicos se eliminó el dato del año 2016, ya que poseía un valor bastante grande comparado con el de sus colindantes.
Se decidió realizar una regresión en donde se tomarán las dos clases urbanas como una sola, de manera que se sumaron los valores de cada año y se nombró como Territorios Artificializados. Cabe aclarar que los valores del año 2014 y 2016 fueron los atípicos eliminados para este caso, ya que conformaban los atípicos de las dos clases iniciales. A continuación, se muestran estas regresiones:
Tabla 49. Datos de Regresión para los Territorios Artificializados
Regresión Lineal -> Y = A + BX
Datos Regresión Con Atípicos Sin Atípicos
A -3201636,905 -3724390,724
B 1602,108397 1861,7697
Coef. Determin. 0,605707245 0,896868985
R^2 Ajustado 0,539991785 0,871086231
Ecuación Y=-3201636,905+1602,1083X Y=-3724390,724+1861,7697X
88
Ilustración 49: Grafica Dispersión con Línea de Tendencia de Territorios Artificializados Sin Atípicos Fuente: Elaboración propia
En esta regresión se evidencia un comportamiento mejor respecto su R- Cuadrado ajustado, ya que se evidenció para el caso de la regresión lineal con los datos originales un valor de 53%, el cual es bastante regular, que al eliminar los atípicos y realizar la regresión toma un valor de 87%, el cual nos indica que esta regresión tiene una confianza más alta que todas las regresiones realizadas anteriormente. Así mismo se puede evidenciar en la gráfica que la línea de tendencia se ajusta bastante bien a los datos de los diferentes años utilizados. De esta manera se decidió realizar la predicción para el año 2040 con las dos regresiones realizadas con el fin de poder compara los resultados obtenidos. Se realiza esta predicción por fuera de los intervalos de confianza de la regresión, debido a que se quieren saber las dinámicas futuras que pueden tener este tipo de clases, y este procedimiento nos puede brindar una idea muy general de dicha dinámica, teniendo en cuenta que existen más factores de fondo detrás de las dinámicas de crecimiento urbano que puedan afectar el desarrollo de éstas.
Tabla 50. Tabla de predicciones.
Regresiones Lineales Ecuación Predicción 2030 (Ha) Predicción 2040 (Ha) Con Atípicos Y=-3201636,905+1602,1083X 50643,14195 66664,22593 Sin Atípicos Y=-3724390,724+1861,7697X 55001,76785 73619,46486 Fuente: Elaboración propia
0 5000 10000 15000 20000 25000 30000 35000 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
TERRITORIOS ARTIFICIALIZADOS
89
Ilustración 50: Gráfica de Dispersión de las predicciones. Fuente: Elaboración propia
Como se pudo observar en la tabla anterior, para el año 2030 de la regresión Sin Atípicos, los Territorios Artificializados pasaran de ocupar en 2018 un área de 32600 Ha a ocupar un área de 55000 Ha lo cual representa un aumento del 68% respecto al área del 2018. Y en el caso del año 2040, el aumento respecto al 2018 sería de 125% aproximadamente. Éstos valores sirven como referencia para reflexionar acerca de la dinámica urbana que tienen estos municipios y la ciudad de Bogotá D.C, esto a pesar de que en estas dinámicas existen más variables a tener en cuenta que no se estudian en este proyecto, como lo es la construcción en altura, la cual parece ser la solución en ciertas zonas de la ciudad al crecimiento poblacional y por ende urbano. Pero este está sujeto a políticas de ordenamiento territorial, por lo que no se puede descartar la alerta que nos puede generar estos valores obtenidos al pensar en la dinámica Urbana de la Ciudad de Bogotá y sus municipios colindantes presentes en la zona de estudio.
En la gráfica de predicción se puede visualizar que los datos originales no se alejan demasiado de los que se generaron a partir de la ecuación de regresión Sin Atípicos. La línea de tendencia que se muestra de los datos de la predicción nos muestra un crecimiento bastante acelerado, basándose en que la pendiente debe ser muy grande para que tenga este comportamiento. El crecimiento que se evidencia allí, como se mencionó anteriormente puede surgir de las diferentes dinámicas del territorio, sobre todo en los municipios aledaños, en donde todavía existen zonas con un potencial de desarrollo bastante amplio tanto para la industria, como para el sector residencial o de servicios.
0 10000 20000 30000 40000 50000 60000 70000 80000 2005 2010 2015 2020 2025 2030 2035 2040 2045
Predicciones
Predicción Area (Ha) Lineal (Predicción)90
9. DISCUSIÓN DE RESULTADOS
Se implementaron fusiones de imágenes con el fin de mejorar la resolución espacial sin afectan considerablemente la espectral; además, se implementaron algoritmos Contourlet y Curvelet-Ridgelet con el fin de mejorar la continuidad y contorno de los bordes. Esto se realizó con ayuda del software matemático Matlab, de donde se obtuvo de cada algoritmo una imagen, esto se repitió para los años que se analizaron.
En las imágenes a las cuales se les aplico los algoritmos (Fusiones, Contourlet y Curvelet- Ridgilet), se observaron una mejor resolución espacial, mejoramiento de los bordes y en la definición de formas. Para su evaluación, se utilizaron los algoritmos matemáticos ERGAS, RASE, Entropía, Coeficiente de Correlación (CC), Calidad Universal (Q), dándole más peso a estadísticos como la calidad universal (Q) y el coeficiente de correlación CC), obteniendo que las imágenes obtenidas a partir del algoritmo Contourlet obtuvieron mejores resultados que Curvelet –Ridgelet (esto se puede evidenciar en la tabla 19), ya que para un ejemplo como Q en la imagen de 2018 el valor en Contourlet es de 0.9845, mientras que en Curvelet- Ridgilet es de 0.9843. Al comparar los estadísticos de Contourlet con los de la mejor fusión bior2.2 y rbio1.3, los resultados son similares y quedan a empate, por esto se decidió escoger la mejor por criterio visual, dando como resultado las imágenes con Fusiones bior2.2 y rbio1.3 para Landsat 7 y 8 respectivamente.
Se realizaron dos validaciones para los resultados; una de ellas es comparar el comportamiento de los algoritmos ante diferentes resoluciones y sensores, para esto se eligió el sensor IKONOS, tomando una zona común con Landsat 7 y 8; la otra validación se realizó con datos de usos y coberturas de entidades como lo es el IDEAM, en esta parte se comparación los resultados de las clasificaciones del año 2012. Se puedo concluir en la primera validación, que, al aplicar los algoritmos, el mejoramiento de bordes y formas es notable y de igual forma que en las imágenes Landsat al realizar la clasificación por MSV la mejor fue la Fusión rbio1.3, aunque cabe aclarar que los resultados de las estadísticas son variables ya que para Ikonos las estadísticas estuvieron muy cercanas entre los diferentes algoritmos.
Además, se propuso contrastar los resultados obtenidos de los trabajos realizados por (Toro & Medina, 2017); en éste se realiza un mejoramiento de la imagen del sensor WorldView2 por Wavelet symlet 5, Contourlet y Curvelet-Ridgelet; concluyendo que la transformada de Curvelet y Ridgilet es la que mejores resultados tuvo al hacer un análisis cuantitativo y cualitativo. Además, concluyen que la mejor Fusión fue symlet 5 con un nivel de descomposición 5. Al contrastar con los resultados que se obtuvieron para Landsat 7 y 8, los resultados varían ya que la mejor Fusión fue rbio1.3 y bior2.2 con un nivel de descomposición para ambas de 4, además entre los algoritmos de mejoramiento de bordes el mejor fue Contourlet; esto hace pensar que los algoritmos varios los resultados dependiendo del sensor y el año de cada imagen. Cabe notar que para ambos casos el mejoramiento de bordes y formas de las coberturas es notable aportando bueno resultados al momento de utilizar estos datos en clasificaciones y análisis espaciales en las imágenes.
91
Finalmente, se generaron ocho mapas de clasificación de uso y cobertura del suelo teniendo en cuenta nueve categorías diferentes en las coberturas correspondientes a la adaptación de la metodología Corine Land Cover, a escala 1:10000 desarrollada por el IGAC, y la mejor imagen obtenida en este caso Fusión rbio1.3, fueron realizados con el método de clasificación supervisada y evaluados por exactitud y el coeficiente kappa.
Otro mapa generado es el correspondiente a los shapefiles descargados del IDEAM para poder realizar la validación con los datos obtenidos de las mejores clasificaciones. Por último, se generó un mapa de aquellas áreas que han crecido en todas las coberturas analizadas, a lo largo del lapso de estudio.
De esta manera de muestra el contraste entre las diferencias de las imágenes originales y aquellas mejoradas, permitiendo cumplir con los objetivos propuestos inicialmente y de los cuales se obtuvieron los respectivos resultados.
92
10.
CONCLUSIONES
Las clasificaciones Supervisadas fueron las que mejores resultados tuvieron, esto se debe a que hay una intervención para clasificar mejor las coberturas y que ésta se puede hacer debido al conocimiento que se tenga de la zona de estudio, esto es muy importante al momento de realizar este tipo de clasificaciones.
Las clasificaciones supervisadas por Árboles de decisión, aunque no tenga tan buenos resultados, son mejores que los obtenidos por las clasificaciones no supervisadas. Al momento de realizar Árboles de decisión se presentaron inconvenientes de discriminación de usos y coberturas, esto puede deberse al instante de ejecutar la clasificación, se debe limitar cada cobertura a datos fijos de las firmas espectrales de muestras tomadas, generando confusión al diferenciar las coberturas mezclando unas con otras y clasificándolas en clases que no corresponden, cabe recalcar que, aunque hay mezclas de coberturas los resultados son aceptables.
La clasificación por Máquinas de Soporte Vectorial fue la mejor de todas, pero en algunos casos las coberturas se clasificaron en otras debido a su similitud espectral, como es el caso de la nubosidad, la cual en los límites de las nubes donde la cobertura no es tan densa, presenta características espectrales muy similares con otras clases, lo cual genera que se clasifiquen en otras clases. Éste método en general, presentó buenos resultados ya que, utiliza muestras de superficie de la imagen ayudando a limitar mejor las coberturas.
Se generaron inicialmente 4 mapas temáticos, en los cuales se evidencian los cambios que se presentaron durante el lapso 2010-2018 de los usos y cobertura más relevantes de la zona de estudio. Los cuatro mapas se generaron a partir de la clasificación por Máquinas de Soporte vectorial de las imágenes fusionadas, en los cuales se pueden evidenciar los cambios de las coberturas territorios artificializados, bosques, pastos y cultivos. Adicionalmente, se generaron mapas de uso y cobertura del suelo de la zona de estudio, para el lapso de 2010 a 2018, cabe recalcar que estos mapas se hicieron a partir de la clasificación de Maquinas de Soporte Vectorial de las imágenes fusionadas.
La predicción realizada se vio muy limitada a la cantidad de datos, y la calidad de estos, ya que como se ha mencionado anteriormente, en la mayoría de imágenes existe nubosidad en diferentes zonas, lo cual como se explicó tiende a confundirse con clases sobre todo de tipo urbanas. A pesar de esto, eliminando algunos datos atípicos, se logró obtener una regresión aceptable, que al realizar predicciones obtuvo errores muy bajos.
Respecto a la predicción especifica del año 2040 se puede establecer que este tan solo es un dato de referencia, que está sujeto a diversas variables que no fueron tenidas en cuenta en este proyecto por diversas razones y que pueden generar bastante impacto en este valor, como lo es el crecimiento urbano vertical, es decir, que la dinámica del territorio y su poca accesibilidad obligue, como ya se viene haciendo desde años atrás, a construir y aumentar el crecimiento urbano mediante construcciones de gran altura, las cuales también están sujetas a planes de ordenamiento territorial, que limitan de esta forma la construcción de éstos. Si se piensa profundamente, en algún momento tendrán que construir lugares para
93
poder abastecer a la población, de manera que en teoría es imposible pensar solo en un crecimiento urbano vertical podría solucionar el problema del crecimiento urbano.
Se contrastaron los resultados obtenidos con el trabajo de Javier Medina y Giselle Toro del año 2017, concluyendo que dependiendo del sensor a utilizar los resultados de la mejor Wavelet pueden variar, así como el mejor nivel de descomposición, que puede variar entre el 3 y el 5; esto se controla y escoge al momento de analizar el criterio estadístico y el criterio visual: además, también pueden variar los resultados al momento de escoger entre Contourlet y Curvelet-Ridgilet, cabe destacar que los resultados en cuanto a mejoramiento de bordes y formas son muy notables y buenos.
La fusión de bandas infrarrojas fue decisiva para brindarle al árbol criterios clasificatorios más completos y mejores, ya que estas bandas fueron fundamentales en la identificación de factores como humedad, con el fin de identificar correctamente la vegetación y cuerpos de agua.
La implementación de algoritmos Wavelet y de mejoramiento de bordes (Contourlet y Curvelet-Ridgelet) permite obtener imágenes con una mejor información espacial, que puede ser muy útil para realizar estudios en la planeación y ordenamiento en los municipios, departamentos y demás entidades que lo requieran.
Con el mejoramiento espacial que obtienen las imágenes después de los algoritmos, representan diversas ventajas al momento de realizar proyectos y/o estudios técnicos en los cuales no se puedan adquirir imágenes de sensores con resoluciones de hasta 1m por sus altos costos; las imágenes mejoradas aplican a proyectos como agricultura, sostenibilidad ambiental, hidrología, geodesia y por supuesto prevención y control de emergencias ambientales.
94
11.
RECOMENDACIONES
En el tratamiento de imágenes Landsat 7, que presenten perdida de información por los gaps, se recomienda utilizar imágenes del mismo año que se triangular con el fin de completar la información faltante, y de no poder contar con imágenes del mismo año, es más óptimo elegir un modelo de corrección en el cual no haya interrupciones bruscas entre las coberturas. En los casos cuando por criterio estadístico no se pueda escoger la mejor imagen resultante de la implementación de los algoritmos de mejoramiento o fusión, se debe analizar visualmente que no exista una pérdida espectral considerable, de esta forma la imagen que menor cambio espectral tenga en relación con la original, será la mejor.
Para realizar una buena clasificación por Árboles de decisión y, que, por su naturaleza de clasificación supervisada, es necesario tener un cocimiento previo de la zona de estudio, con el fin de obtener e identificar la información de usos y coberturas presentes; con el fin de identificar mejor las zonas que serán muestras de cada cobertura para precisar mejor los valores límites en la calificaciones de las bandas en Árboles de decisión.
De igual forma que en Árboles de decisión, al momento de hacer las muestras o Roi’s para Máquinas de Soporte vectorial, es necesario tener un concomimiento previo de la zona estudio, así como saber interpretar las diferentes combinaciones de colores en Landsat 7 y 8 para que las muestras correspondan a las coberturas que se vayan a analizar, esto proporcionará una buena clasificación con un coeficiente kappa alto.
Para realizar una óptima predicción, es necesario tener una cantidad considerable de observaciones, ya que esto indicaría más confianza en la regresión, si a priori se sabe que son datos consistentes y de calidad. De igual manera es importante tener una idea del crecimiento urbano y dejar un primer paso para futuros trabajos referentes al crecimiento urbano en la ciudad de Bogotá y sus municipios aledaños presentes en la zona de estudio, los cuales juegan un papel muy importante en estas dinámicas de crecimiento, ya que en la actualidad se están consolidando como municipios o ciudades dormitorio, lo cual indica que su crecimiento urbano en los últimos años y en el futuro está en crecimiento continuo.
95
12.
BIBLIOGRAFÍA
Abbas, A. W., Minallh, N., Ahmad, N., Abid, S., & Khan, M. (2016). K-Means and ISODATA Clustering Algorithms for Landcover Classification Using Remote Sensing. SI NDH UNIVERSITY RESEARCH JOURNAL (SCIENCE SERIES), 48(2), 315-318.
Al-Rubkhi, A. N. (2017). Land Use Change Analysis and Modeling Using Open Source (QGis) - Case Study: Boasher Willayat . Sultan Qaboos University - College Of Arts and Social Science, Department Of Geography.
Ariza, A. (2013). Descripción y Corrección de Productos Landsat 8. Retrieved from Instituto Geografico Aguston Codazzi- IGAC, Centro de Investigacion y Desarrollo-CIAF: http://www.un-spider.org/sites/default/files/LDCM-L8.R1.pdf
Bell, E. J. (1974). Markov analysis of land use change—an application of stochastic processes to remotely sensed data. Elservier, 311-316.
Betancourt, G. A. (2005). LAS MÁQUINAS DE SOPORTE VECTORIAL (SVMs). Scientia et Technica Año XI, N° 27(27), 67-72.
Briceño, F. (2003). CAMBIOS DE COBERTURA DE LA TIERRA EN EL VALLE DEL RÍO MOMBOY, ESTADO TRUJILLO. GEOENSEÑANZA, 8(1), 91-100.
Burgues, C. J. (1998). A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery 2, 121-167.
Candès, E. J., & Donoho, D. L. (1999). Curvelets. A sueprisingly effective nonapdative representation for objetcs with edges. National Science Foundation.
Caparrini, F. S. (2017). Clasificación Supervisada y No Supervisada.
Carré, P., & Andres, E. (2004). Discrete analytical Ridgelet Transform. Signal Processing, Elsevier, 84(11), 2165 - 2173.
Chunga, E. J. (2016). Aplicación de la transformada wavelet a señal de baja potencia en entorno de Matlab. Universidad de Piura, Piura.
Chuvieco, E. (1996). Fundamentos de Teledetección. Madrid: Ediciones Rialp.
Donoho, D. L., & Duncan, M. R. (1999). Digital Curvelet Transform: Strategy, Implementation and Experiments. Retrieved from Department of Statistics, Stanford University. Eastman, J. R. (2009). IDRISI Taiga Tutorial. Clark University. Worcester MA: Clark Labs. ESA. (2014). Satélites de observación terrestre: introducción. Retrieved from European Space
Agency: http://www.esa.int/SPECIALS/Eduspace_ES/SEMJC07SXIG_0.html
Garavito, G. B. (2017). Expansión urbana y cambio de coberturas en el área periurbana de la ciudad de Bogotá DC-Colombia mediante el análisis multitemporal de imágenes landsat para los años 1991 y 2016. Bogotá D.C, Colombia: Universidad Dsitrital Francisco Jose de Caldas.
Geocento. (2015). Satélite de imágenes LANDSAT-5. Retrieved from http://geocento.es/galeria-de-satelites-para-buscar-y-adquirir-imagenes/satelite- imagenes-landsat-5/
Geoservice. (2018). GeoService Peru. Retrieved from INFORMACION TECNICA RESUMIDA –IKONOS.: http://gspperu.com/pdf/res_ikonos.pdf
Gis-Lab. (2011). Landscape change analysis with MOLUSCE - methods and algorithms.
Retrieved from http://wiki.gis-
lab.info/w/Landscape_change_analysis_with_MOLUSCE_- _methods_and_algorithms
Gismondi, M., Kamusoko, C., Furuya, T., Tomimura, S., & Maya, M. (2014). MOLUSCE, An open source land use change analyst for QGIS. for the future.
96
Goikoetxea, I. G. (2010). Aportaciones a la clasificación no supervisada y a su validación. Tesis doctoral, Konputagailuen Arkitektura eta Teknologia Saila, Donostia.
Guide, M. (1998). La Transformada de Wavelet. Retrieved from Natick, MA, 5.
Gutiérrez, M. A., Bedoya, J. W., & Fernández, V. B. (2005). CLASIFICACIÓN NO SUPERVISADA DE COBERTURAS VEGETALES SOBRE IMÁGENES DIGITALES DE SENSORES REMOTOS: “LANDSAT – ETM+”. Facultad Nacional Agronomia Medellín, 58(1), 2611-2634.
IDEAM & IGAC. (2007). Mapa de Cobertura de la Tierra Cuenca Magdalena-Cauca, Metodología Corine Land Cover Adaptada para Colombia, escala 1:100.000. CORMAGDALENA.
IDEAM. (2014). Coberturas de la tierra. Retrieved from Instituto de Hidrología, Meteorología y Estudios Ambientales: http://www.ideam.gov.co/web/ecosistemas/coberturas-tierra IDECA. (2017). Objeto geográfico. Retrieved from https://www.ideca.gov.co/es/node/294 INEGI. (2016). Instituto Nacional de Estadistica y Geografia. Retrieved from Imágenes de